1

KATA PENGANTAR


Puji syukur kehadirat Allah SWT, karena berkat rahmat, karunia dan hidayahNya,
bahan ajar modul mata kuliah Statistik Probabilitas ini dapat terselesaikan. Modul yang
di susun ini diharapkan digunakan sebagai sebagai sumber belajar pokok mahasiswa.
Dalam Modul ini akan dipelajari tentang bagaimana cara menyelesaikan
Masalah probabilitas sebagai alat pengambil keputusan, alat-alat statistik yang
dibutuhkan untuk melakukan pengkajian terhadap masalah yang dihadapi. Serta
senagaoi dasar berpikir selanjutnya dalam mencari terobosan baru (policy) guna
memecahkan masalah yang dihadapi.
Adapun isi dari mata kuliah Statistik Probabilitas ini adalah sebagai berikut : Teori
probabilitas, Distribusi Probabilitas Diskret, Teori Keputusan, Metode dan Distribusi
Sampling, Hipotesa, Uji Chi Kuadrat
Modul yang merupakan sumber bahan belajar ini untuk membekali kompetensi
mahasiswa, namun demikian, karena dinamika perubahan sain dan teknologi di industri
begitu cepat terjadi, maka modul ini masih akan selalu dimintakan masukan untuk
bahan perbaikan atau direvisi agar selalu relevan dengan kondisi lapangan.
Dengan adanya modul ini di harapkan kepada mahasiswa agar lebih mudah dan
mengerti didalam pemahaman materi - materi yang ada, karena di susun menggunakan
bahasa yang sederhana, dan mudah mudahan dapat mengaplikasikan dalam
kehidupan sehari hari.
Demikian, semoga modul dapat bermanfaat bagi kita semua, khususnya para
mahasiswa STMIK TRIGUNA DHARMA. Adapun saran dan kritik dari para praktisi
sangat diharapkan dalam meningkatkan kualitas modul ini





Medan, April 2010

Nana Kartika, ST













2
CHAPTER 1
Pertemuan 1
Perkenalan Dengan Statistika Probabilitas

A. DESKRIPSI
Membahas berbagai macam konsep (teori) maupun metode statistika, yang
selanjutnya dapat digunakan untuk melakukan interpretasi terhadap berbagai macam
data penelitian dan sekaligus mengetahui alat-alat analisa apa saja yang dibutuhkan
sesuai dengan masalah yang dihadapi.

Tujuan mata kuliah ini adalah memberi pengetahuan kepada mahasiswa tentang:
a. Masalah probabilitas sebagai alat pengambil keputusan.
b. Alat-alat statistik yang dibutuhkan untuk melakukan pengkajian terhadap masalah
yang dihadapi.
c. Dasar berpikir selanjutnya dalam mencari terobosan baru (policy) guna
memecahkan masalah yang dihadapi.

B. PRASYARAT : STATISTIKA I


C. MATERI


1. Teori probabilitas
1.1. Pengertian dan manfaat probabilitas
1.2. Pendekatan probabilitas
1.3. Konsep Dasar dan Hukum Probabilitas
1.4. Teorema Bayes
1.5. Beberapa prinsip menghitung dalam probabilitas

2. Distribusi Probabilitas Diskret
2.1. Pengertian distribusi probabilitas
2.2. Distribusi probabilitas Binomial
2.3. Distribusi probabilitas Hipergeometrik
2.4. Distribusi probabilitas Poisson

3. Distribusi probabilitas normal
3.1. Pengertian dan karakteristik Distribusi Probabilitas Normal
3.2. Distribusi Probabilitas Normal
3.3. Penerapan Distribusi Probabilitas Normal Standar
3.4. Pendekatan Normal terhadap Binomial
3.5. Faktor koreksi kontinuitas

4. Teori Keputusan
4.1. Elemen-elemen Keputusan
4.2. Keputusan dalam keadaan berisiko
4.3. Keputusan dalam kondisi ketidak pastian

3
5. Metode dan Distribusi Sampling
5.1. Pengertian populasi dan sample
5.2. Metode penarikan sample
5.3. Distribusi Sampel rata-rata dan proporsi
5.4. Distribusi Sampel Selisih rata-rata dan proporsi
5.5. Factor Koreksi untuk populasi terbatas

6. Hipotesa
6.1. Pengertian dan Pengujian Hipotesa
6.2. Prosedur pengujian hipotesa
6.3. Menguji hipotesa Rata-rata dan Proporsi Sampel Besar
6.4. Menguji hipotesa Selisih Rata-rata dan Proporsi Sampel Besar
6.5. Jenis Kesalahan I dan I

7. Uji Chi Kuadrat
7.1. Pendahuluan
7.2. Uji Chi-Kuadrat untuk Keselarasan
7.3. Uji Chi-Kuadrat untuk Kenormalan
7.4. Uji Chi-Kuadrat untuk independensi

D. Materi Dalam Petemuan

1 Pendahuluan, Perkenalan dengan Statistika Probabilitas
2 Konsep Dasar Probabilitas
3 Konsep Dasar Dan Hukum Probabilitas
4 Teorema Bayes
5 Quiz
6 Karakteristik Distribusi Kurva Normal
7 Distribusi Probabilitas Diskret
8 UTS
9 Teori Keputusan
10 Metode dan Distribusi Sampling
11 Hipotesa
12 Menguji Hipotesa Rata Rata Sampel Besar
13 Quiz
14 Pengujian Hipotesa Sampel Kecil
15 Uji Chi-Kuadrat
16 UAS



E. Textbook :
1. Bambang Yuwono, 2006, Bahan Kuliah Statistika, UPN Veteran Yogyakarta
2. J. Supranto, 2000, Statistik Teori dan Aplikasi, Erlangga, Jakarta
3. Sudjana, 1992, Metode statistika, Tarsita Bandung
4. Zanzawi soeyuti, 1990, Metode statistika, UT, Jakarta
4
F. Acuan/Referensi :
1. Ronald E Walpole, 1992, Pengantar Statistika, Gramedia, Jakarta
2. Murray R Spiegel, 1994, Statistika, Erlangga, Jakarta
3. Richard Lungan, 2006, Aplikasi Statistika dan Hitung Peluang,Graha Ilmu,
Yogyakarta
4. Samsubar Saleh, 1988, Statistik Induktif, AMP YKPN Yogyakarta
5. Samsubar Saleh, 1986, Statistik Deskriptif, AMP YKPN, Yogyakarta
6. Suharyadi dan Purwanto, 2003, Statistika untuk Ekonomi dan Keuangan Modern,
Salemba, Jakarta

G. Penilaian :
1. Absen 10%
2. Quiz & Tugas 20 %
3. UTS 30%
4. UAS 40%
























5
CHAPTER 2
Pertemuan 2
KONSEP DASAR PROBABILITAS

A. PENDAHULUAN
Secara sederhana probabilitas dapat diartikan sebagai sebuah peluang untuk
suatu kejadian.

1. Manfaat mempelajari probabilitas
sangat berguna untuk pengambilan keputusan yang tepat, karena kehidupan di dunia
tidak ada kepastian, sehingga diperlukan untuk mengetahui berapa besar probabilitas
suatu peristiwa akan terjadi. Probabilitas dinyatakan dalam angka pecahan antara 0
sampai 1 atau dalam persentase.

Contoh:
Seluruh mahasiswa Panca Budi harus memiliki sertifikat computer untuk program
microsoft exel. Di kota Medan sendiri banyak terdapat tempat kursus computer
diantaranya LP3I, Medicom, Tricom dll. Maka akan muncul kebingungan dalam memilih
tempat kursus. Untuk menentukan pilihan biasanya mahasiswa akan bertanya kepada
teman-teman, mereka kursus dimana? Dari ratusan mahasiswa mungkin anda bertanya
hanya pada 20 orang mahasiswa. Yang paling banyak diminati anda akan memilih
tempat tersebut untuk kursus.

Dari contoh tersebut dapat dilihat bahwa keputusan diambil hanya dari beberapa contoh
atau sampel dari populasi keseluruhan.
2. Pengertian probabilitas
Lind (2002) dalam mendefenisikan probabilitas sebagai:
Suatu ukuran tentang kemungkinan suatu peristiwa (event) akan terjadi dimasa
mendatang. Probabilitas dinyatakan antara 0 sampai 1 atau dalam persentase

Tiga hal penting dalam membicarakan probabilitas:
a. Percobaan (experiment)
6
Pengamatan terhadap beberapa aktivitas atau proses yang memungkinkan
timbulnya paling sedikit dua peristiwa tanpa memperthatikan peristiwa mana
yang akan terjadi
b. Hasil (outcome)
suatu hasil dari sebuah percobaan. Dalam hasil ini semua kejadian akan dicatat
atau dalam artian seluruh peristiwa yang akan terjadi dalam sebuah percobaan.
Misalnya dalam mengikuti ujian semester maka hasil yang akan diperoleh ada
mahasiswa yang lulus dan ada yang tidak lulus. Ada yang lulus memuaskan ada
yang tidak memuaskan
c. Peristiwa (event)
kumpulan dari satu atau lebih hasil yang terjadi pada sebuah percobaan atau
kegiatan

Contoh:
Percobaan Pertandingan sepak bola antara Fakultas
Ekonomi UNPAB dan Fakultas Pertanian
UNPAB
Hasil Fakultas Ekonomi menang,
Fakultas Ekonomi kalah
Seri, tidak ada yang kalah dan tidak ada
yang menang
Peristiwa Fakultas Ekonomi Menang

Probabilitas dinyatakan dalam bentuk pecahan dari 0 sampai 1. probabilitas 0
menunjukkan sesuatu yang tidak mungkin terjadi, sedangkan probabilitas 1
mununjukkan peristiwa pasti terjadi.
Contoh penulisan probabilitas dalam desimal atau persentase:
1. Pada hari Jumat adalah penutupan bursa saham, maka kebanyakan investor
berusaha meraih keuntungan melalui penjualan saham atau yang biasanya
diistilahkan profit taking, sehingga probabilitas menjual mencapai 0,7 sedangkan
membeli 0,3.
2. melihat kondisi kesiapan mahasiswa yang mengikuti ujian Statistika II, maka
mahasiswa yang mempunyai probabilitas untuk lulus 70% dan kalah 30%
7
Probabilitas kejadian dengan nilai 0 berarti peristiwa yang tidak mungkin terjadi,
seperti seorang anak balita melahirkan seorang bayi. Sedangkan probabilitas dengan
nilai 1 adalah peristiwa yang pasti terjadi, seperti semua manusia pasti akan meninggal.

B. PENDEKATAN PROBABILITAS
Untuk menentukan tingkat probabilitas suatu kejadian, maka ada tiga pendekatan
yaitu pendekatan klasik, pendekatan relatif dan pendekatan subjektif.

1. Pendekatan klasik
Diasumsikan bahwa semua peristiwa mempunyai kesempatan yang sama untuk
terjadi (equally likely)
Probabilitas suatu peristiwa kemudian dinyatakan sebagai rasio antara jumlah
kemungkinan hasil dengan total kemungkinan hasil (rasio peristiwa terhadap hasil)

hasil n kemungkina total jumlah
) (peristiwa hasil n kemungkina jumlah
as Probabilit =

Contoh:
Pada kegiatan mahasiswa belajar semua hasil ada yang sangat memuaskan,
memuaskan dan terpuji. Jumlah hasil ada 3 dan hanya 1 peristiwa yang terjadi, maka
probabilitas setiap peristiwa adalah 1/3.

Pada suatu percobaan hanya 1 peristiwa yang terjadi, dan peristiwa lain tidak
mungkin terjadi pada waktu yang bersamaan maka dikenal sebagai peristiwa saling
lepas.
Peristiwa saling lepas (mutually exclusive) adalah terjadinya suatu peristiwa
sehingga peristiwa yang lain tidak terjadi pada waktu yang bersamaan

Pada suatu percobaan atau kegiatan semua hasil mempunyai probabilitas yang
sama, dan hanya satu peristiwa yang terjadi maka peristiwa ini dikenal dengan lengkap
terbatas kolektif (collection exhaustive).
8
lengkap terbatas kolektif (collection exhaustive) adalah sedikitnya satu dari
seluruh hasil yang ada pasti terjadi pada setiap percobaan atau kegiatan yang
dilakukan

2. Pendekatan Relatif
Probabilitas suatu kejadian tidak dianggap sama, tergantung dari berapa banyak suatu
kejadian terjadi, yang dinyatakan sebagai berikut:

percobaan total jumlah
terjadi yang peristiwa Jumlah
relatif kejadian as Probabilit =

Contoh:
Dari kegiatan belajar mahasiswa dapat dilihat hasilnya pada Wisuda Sarjana Universitas
Panca Budi tahun 2007 sebanyak 800 orang mahasiswa. 500 orang lulus dengan
memuaskan, 200 orang dengan sangat memuaskan dan 100 orang dengan prediket
terpuji. Maka probabilitas lulus memuaskan adalah 500/800 = 0.625; lulus dengan
sangat memuaskan 200/800 = 0.25 dan lulus dengan terpuji 100/800 = 0.125.




3, Pendekatan Subjektif
Yang dimaksud dengan pendekatan subjektif adalah menentukan besarnya
probabilitas suatu peristiwa didasarkan pada penilaian pribadi dan dinyatakan dalam
derajat kepercayaan.
Contoh:
Menurut pengamat politik, Susilo Bambang Yudoyono akan menang dalam Pemilu
Indonesia tahun 2009





9
CHAPTER 3
Pertemuan 3
KONSEP DASAR DAN HUKUM PROBABILITAS

Dalam teori probabilitas, probabilitas kejadian dilambangkan dengan P, apabila
kejadian jual saham dilambangkan dengan huruf A, maka probabilitas jual saham
dilambangkan dengan P (A). Sebaliknya apabila kejadian beli saham dilambangkan
dengan B, maka probabilitas beli saham dilambangkan dengan P (B).

A. Hukum Penjumlahan
Hukum penjumlahan menghendaki peristiwa yang saling lepas (mutually
exclusive) yaitu apabila suatu peristiwa terjadi, maka peristiwa lain tidak dapat terjadi
pada saat bersamaan.
Hukum ini dilambangkan sebagai:
P (A atau B) = P (A) + P(B)

Untuk kejadian yang lebih banyak dilambangkan sampai n yaitu:
P(A atau ... n) = P(A) + P(B) + ......+P(n)
Contoh:
Berikut adalah kegiatan perdangan saham di BEJ untuk tiga perusahaan perbankan
dengan jumlah total sebanyak 200 transaksi
Jenis Transaksi Volume Transaksi
Jual saham (A) 120
Beli saham (B) 80
Jumlah Total transaksi 200

Penyelesaian:
Dari data diatas diketahui bahwa:
Probabilitas Jual = P(A) = 120/200 = 0.60
Probabilitas Beli = P(B) = 80/200 = 0.40

Sehingga probabilitas A atau B,
10
P(A atau B) = P(A) + P(B) = 0.6 +0.4 = 1.0

1. Peristiwa atau Kejadian Bersama
Pada peristiwa bersama dua atau lebih peristiwa dapat terjadi secara bersama-
sama, peristiwa bersama tersebut dapat lebih mudah dilihat dengan diagram Venn
seperti berikut:




Penjumlahan probabilitas dengan adanya unsur kegiatan bersama, maka rumus
penjumlahan dirumuskan kembali menjadi sebagai berikut:

P(A atau D) = P(A) + P(D) P(AD)
Dimana:
P(A atau D) : probabilitas terjadinya A atau D atau A dan D bersama- sama
P(A) : probabilitas terjadinya A
P(D) : probabilitas terjadinya D
P(AD) : probabilitas terjadinya A dan D bersama-sama

2. Kejadian saling lepas (mutually exclusive)
Kejadian saling lepas terjadi apabila hanya satu dari dua atau lebih peristiwa yang
dapat terjadi. Dapat digambarkan dengan diagram Venn:





Maka P(AB) = 0
Oleh sebab itu, untuk peristiwa yang saling lepas, probabilitas kejadian A atau B yang
dinyatakan P(A atau B)
P(A atau B) = P(A) + P(B) P(AB)


A

D

A AD

D
11
Karena P(AB) = 0 maka
P(A atau B) = P(A) + P(B) 0
Sehingga:
P(A atau B) = P(A) + P(B)

Contoh:
Cobalah hitung berapa probabilitas kejadian jual saham dan beli saham P(AB) dan
probabilitas kejadian untuk saham BCA, BII dan BNI (P(DEF).
Kegiatan
Perusahaan
Jumlah
BNI (C) BII (D) BCA (E)
Jual (A) 30 50 40 120
Beli (B) 40 30 10 80
Jumlah 70 80 50 200

Penyelesaian:
Probabilitas kejadian A dan B adalah kejadian yang saling lepas, maka P(AB)=0. maka
hukum penjumlahan untuk peristiwa saling lepas adalah:
P(A atau B) = P(A) + P(B) P(AB)
= 0.6 + 0.4
= 1.0
probabilitas kejadian ketiga saham juga merupakan kejadian saling lepas, maka hukum
penjumlahannya adalah:
P (C atau D atau E) = P(C) + P(D) + P(E) P(CDE)
= 0.35 + 0.40 + 0.25 0
= 1.0
probabilitas P(C atau D)
P(C atau D) = P(C) + P(D) P(CD)
= 0.35 + 0.40
= 0.75

B. Hukum Perkalian.
12
Dalam hukum perkalian dikehendaki setiap peristiwa independent yaitu suatu peristiwa
terjadi tanpa harus menghalangi peristiwa lain terjadi.
Peristiwa independent adalah terjadinya peristiwa atau kejadian tidak
mempengaruhi probabilitas terjadinya peristiwa lain.
Dapat dinyatakan dalam bentuk:

(P(A dan B) = P(A) x P(B)

1. Probabilitas bersyarat (Condicional Probability)
Probabilitas bersyarat adalah probabilitas statu peristiwa akan terjadi, dengan ketentuan
peristiwa lain telah terjadi. Hukum perkalian untuk probabilitas bersyarat bahwa
peristiwa B terjadi dengan syarat peristiwa A telah terjadi dinyatakan sebagai berikut:

P(A dan B) = P(A) x (P(B|A)

2. Peristiwa Pelengkap (Complementary Event)
Peristiwa pelengkap menunjukan bahwa apabila ada dua peristiwa A dan B yang
saling melengkapi, sehingga jika peristiwa A tidak terjadi, maka peristiwa B pasti terjadi.
Maka probabilitas keduanya dapat dirumuskan sebagai berikut:

P(A) + P(B) = 1 atau P(A) = 1 P(B)

Dalam bentuk diagram Venn dapat digambarkan sebagai berikut






C. Diagram pohon probabilitas
Tahapan dalam menyusun diagram pohon:
1. Tahap 1 adalah langkah awal kegiatan, kita mulai dengan tanda titik atau bulatan
dengan angka, tahap 1 diumpamakan sebagai pohonnya dengan pohon
A

B
13
utamanya berupa kegiatan dibursa saham. Nilai probabilitas pada tahap 1 adalah
1.
2. Tahap 2, membuat cabang. Kegiatan di bursa ada 2 yaitu kegiatan jual dan
kegiatan beli saham. Probabilitas jual = 0,6 dan probabilitas beli 0,4. nilai
probabilitas pada cabang = 0,6 + 0,4 = 1,0
3. Tahap 3 membuat ranting. Pada setiap cabang baik jual maupun beli ada 3
ranting jenis saham yaitu BCA, BLP dan BNI. Nilai probabilitas setiap ranting =
0,35 + 0,40 + 0,25 = 1
4. Tahap 4, menghitung probabilitas bersama (joint probability) antara kejadian
pertama A dan B dengan kejadian kedua D, E dan F. kita bisa menghitung
probabilitas P(D|A) atau P(E|B) secara langsung. Nilai probabilitas keseluruhan
pada tahap 4 juga harus sama dengan 1.
Contoh:
Hasil penelitian di Yakarta menunjukan bahwa 60 % dari usa Kecil dan menengah
(UKM) tidak berbadan hukum, sedang sisanya berbadan hukum. Bank sebagai lembaga
pembiayaan dengan memerhatikan aspek kehati-hatian memberikan probabilitas 80%
lepada UKM berbadan hukum untuk mendapatkan kredit, sedangkan yang tidak
berbadan hukum masih memopunyai desempatan sebesar 20% untuk mendapatkan
kredit. Hitunglah berapa persen probabilitas UKM mendapat kredit dari bank?
Penyelesaian:













1
Jual (0,6)
Beli (0,4)
BCA
BLP
BNI
BCA
BLP
BNI
14
CHAPTER 4
Pertemuan 4
Teorema Bayes
Teorema ini dikembangkan oleh Thomas Bayes pada abad ke-18. Bayes seorang
pendeta, bertanya apakah Tuhan ada dengan memerhatikan fakta-fakta yang ada di
bumi. Jadi bila Tuhan ada, maka ada fakta sebagai ciptaan Tuhan. Apabila fakta
dilambangkan P(A
1
) untuk suatu fakta dan P(A
2
) untuk fakta lain, sedang keberadaan
Tuhan dinyatakan dengan P(B), maka teorema Bayes dinyatakan sebagai:

( )
( ) ( )
( ) ( ) ( ) ( )
2
A B P
2
A P
1
A B P
1
A P
1
A B P
1
A P
B
1
A P
+

=

Rumus diatas merupakan probabilitas bersyarat, suatu kejadian terjadi setelah
kejadian lain ada. P(A
1
|B) menyatakan bahwa fakta-fakta di bumi akan ada apabila
Tuhan ada. Karena banyak fakta tersebut maka rumus Bayes diperluas:

( )
( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
i i
A B P A P
2
A B P
2
A P
1
A B P
1
A P
1
A B P
1
A P
B
1
A P
+ + +

=
.....


BEBERAPA PRINSIP MENGHITUNG
A. FAKTORIAL
Faktorial digunakan untuk mengetahui berapa banyak cara yang mungkin dalam
mengatur sesuatu kelompok. Contoh konvensional, apabila kita mempunyai tiga bank
yaitu BCA, BII dan BNI ada berapa cara menyusun uratan ketiga bank tersebut?

Secara sederhana dapat kita lakukan dengan mengurut ketiga bank sebagai berikut:
BCA, BII, BNI BCA, BNI, BII BII, BCA, BNI
BII, BNI, BCA BNI, BII, BCA BNI, BCA, BII

15
Dari uraian diatas dapat kita ketahui bahwa terdapat 6 cara mengurutkan nama bank
tersebut, namun apabila jumlah bank tersebut 100 buah bank, tentu kita akan
kewalahan dalam mengurutkan. Maka dapat dilakukan dengan pendekatan faktorial,
Apabila bank berjumlah tiga maka cara menurutkan nama bank:

3! = 3 x 2 x 1 = 6


B. PERMUTASI
Digunakan untuk mengetahui sejumlah kemungkinan susunan (arrangement) jika
terdapat satu kelompok objek. Pada permutasi ini kita berkepentingan dengan susunan
atau urutan dari objek, permutasi dirumuskan sebagai berikut:

( )! r n
n!
r
P
n

=

dimana :
P : Jumlah permutasi atau cara objek disusun
n : Jumlah total objek yang disusun
r : Jumlah objek yang digunkan pada saat bersamaan, jumlah r dapat sama
dengan n atau lebih kecil
! : tanda dari faktorial

Contoh:
Dari 20 kelas di Universitas Panca budi, ingin dikelompokkan menjadi beberapa
kelompok. Jika satu kelompok terdiri dari 5 kelas, ada berapa susunan kelompok yang
dapat dibuat?

Jawab
( )
480 . 860 . 1
! 15
! 15 16 17 18 19 20
0
=

=

=
! 5 2
20!
5
P
20



16
C. KOMBINASI
Kombinasi digunakan apabila kita tertarik pada berapa cara sesuatu diambil dari
keseluruhan objek tanpa memerhatikan urutannya. Misalnya ada 10 bank dan kita
hanya akan mengambil 3 bank, maka ada beberapa kombinasi bank yang dapat diambil
tanpa memerhatikan urutan atau susunannya. Dirumuskan sebagai berikut:

( )! r n r!
n!
r
C
n

=

Contoh:
Ada 5 orang siswa mendaftar sebagai pembawa acara dalam suatu kegiatan hiburan.
Pihak penyelengara hanya akan memilih 2 orang yang dapat dijadikan pasangan. Ada
berapa kombinasi pasangan yang dapat dipilih oleh panitia?

( )
10 =

=
! 2 5 2!
5!
2
C
5


















17
CHAPTER 5
Pertemuan 6
KARAKTERISTIK DISTRIBUSI KURVA NORMAL








1. Kurva berbentuk genta (= Md= Mo)
2. Kurva berbentuk simetris
3. Kurva normal berbentuk asimptotis
4. Kurva mencapai puncak pada saat X=
Kurva normal bentuk simentris, masing-masing sisi sama
18
5. Luas daerah di bawah kurva adalah 1; di sisi kanan nilai tengah dan di sisi
kiri.

Distribusi probabilitas dan kurva mempunyai persamaan matematika yang sangat
tergantung pada nilai tengah () dan standar deviasi (o). Distribusi probabilitas dan
kurva normal dari suatu variable acak (X) yang nilainya terletak - sampai
dinyatakan dengan lambang X ~ N(X; , o).
Bila X suatu pengubah acak normal dengan nilai tengah , dan standar deviasi o, maka
persamaan kurva normalnya adalah:

( )
< <

=
(

X untuk ,
2
/ x 1/2
e
2
2
1
) , (X;
Jenis-jenis probabilitas Normal
Jenis-jenis probabilitas normal sangat dipengaruhi oleh nilai rata-rata hitung dan standar
deviasinya, maka distribusi probabilitas kurva normal diantaranya:

a. Distribusi probabilitas dan Kurva Normal dengan dan o Berbeda.










Keterangan:
1. Mesokurtik
Kurva normal ini mempunyai = Md dan Mo yang sama , namun o berbeda
2. Platykurtik
0
1
2
3
4
5
6
7
8
9
10
m
Mes okur tic Platy kur tic Leptokur tic
19
Nilai o semakin tinggi dan kurva semakin pendek. Nilai o tinggi menunjukkan
bahwa nilai data semakin menyebar dari nilai tengahnya ()
3. Leptokurtik
Nilai o semakin rendah dan kurva semakin runcing. Niali o rendah ini
menunjukkan data semakin mengelompok pada nilai tengahnya ().

b. Distribusi probabilitas dan Kurva Normal dengan Berbeda dab o sama
Bentuk distribusi probabilitas dan kurva normal dengan berbeda dan o sama
mempunyai jarak antara kurva yang berbeda, namun bentuk kurva tetap sama. Gambar
diatas menunjukan nilai rata-rata berbeda dengan standar deviasi yang sama. Pada
contoh dapat dilihat mangga dikelompokkan menjadi mutu A dengan berat rata-rata
450 gram, mutu B dengan 300 gram dan mutu C dengan 150
gram.
c. Distribusi Probabilitas dan Kurva normal dengan Berbeda dan o berbeda
Kurva dengan berbeda dan o berbeda mempunyai titik pusat yang berbeda pada
sumbu mendatar dan bentuk kurva berbeda karena mempunyai standar deviasi yang
berbeda. Kurva seperti ini relatif sering terjadi karena antara populasi terdapat
perbedaan atau setiap populasi juga mempunyai keragaamn yang berbeda.

20


d. Distribus probabilitas Normal Baku
Distribus normal baku adalah distribusi probabilitas acak normal dengan nilai
tengah nol dan simpangan baku 1.
Beberapa hal yang perlu dilakukan dalam rangka distribusi probabilitas normal baku
adalah mengubah atau membakukan distribusi aktual dalam bentuk distribusi normal
baku yang dikenal dengan nilai Z atau skor Z. Rumus niali Z adalah:

=

dimana:
Z = skor Z atau nilai normal baku
X = Nilai dari statu pengamatan atau pengukuran
= Nilai rata-rata hitung suatu distribusi
o = standar deviasi suatu distribusi

e. Luas dibawah Kurva Normal
Kurva normal juga mengikuti hukum empirik. Untuk distribusi simetris, dengan
distribusi frekuensi berbentuk lonceng seperti kurva normal diperkirakan 68,26% data
akan berada pada kisaran rata-rata hitung ditambah dua kali standar devasi, (X 1 o),
(X 2o) dan semua data atau 99,74 % akan berada pada kisaran rata-rata hitung
ditambah tiga kali standar deviasi, (X 3o).
21

Luas antara nilai Z (-1<Z<1) sebesar 68,26% dari jumlah data.
Berapa luas antara Z antara 0 dan sampai Z = 0,76 atau biasa dituis
P(0<Z<0,76)?
Dapat dicari dari tabel luas di bawah kurva normal. Nilainya dihasilkan = 0,2764
f. Pendekatan Normal Terhadap Binomial
Pada distribusi probabilitas binomial, dengan semakin besarnya nilai n, maka semakin
mendekati nilai distribusi normal.










Apabila kita perhatikan suatu distribusi probabilitas binomial, dengan semakin besarnya
nilai n, maka semakin mendekati nilai distribusi normal. Gambar berikut menunjukkan
distribusi probabilitas binomial dengan n yang semakin membesar. Pada saat n = 20
terlihat bahwa distribusi probabilitas binomial mendekati distribusi probabilitas normal
yaitu kurva berbentuk lonceng, memiliki puncak tunggal dan simetris.

Dalil pendekatan normal terhadap binomial.
Bila nilai X adalah distribusi acak binomial dengan nilai tengah =np dan standar
deviasi o=\npq, maka nilai Z untuk distribusi normal adalah:


-
3o
-3
=x
Z=0
+1o
+1
+2o
+2
+3o
+3
-
2o
-2
-
1o
-1
68,26%
99,74%
95,44%
0
0 . 1
0 . 2
0 . 3
0 . 4
0 . 5
0 . 6
0 1 r 0 1 2 3 r 0 2 4 6 8 1 0 1 2 1 4 1 6 1 8 2 0 r
22
npq
np X

=


di mana n dan nilai p mendekati 0,5

g. Faktor Koreksi Kontinuitas
Untuk mengubah pendekatan dari binomial ke normal (menurut Lind 2002) diperlukan
faktor koreksi selain syarat binomial terpenuhi yaitu:
a. hanya terdapat dua peristiwa
b. peristiwa bersifat independen
c. besar probabilitas sukses dan gagal sama setiap percobaan
d. data merupakan hasil perhitungan

apabila telah memenuhi syarat binomial, maka kita menggunakan faktor koreksi yang
besarnya 0,5. Faktor koreksi ini diperlukan untuk mentransformasi dari binomial menuju
normal yang merupakan variabel acak kontinu.

Contoh:
Sudan merupakan pedagang buah di pusat pasar Medan. Setiap hari membeli 300 kg
jeruk. Probabilitas buah laku dijual adalah 80% dan 20% tidak laku atau busuk. Berapa
probabilitas buah sebanyak 250 kg laku dan tidak busuk?

Jawab:
n = 300; probabilitas laku p = 0,8 dan q = 0,2
= np = 300 x 0,80 = 240
o = \npq = 6,93

diketahu X = 250, dikurang factor koreksi 0,5 sehingga X = 250 0,5 = 249,5
dengan demikian nilai Z menjadi;

Z = (249,5 240)/6,93 = 1,37 dan P(Z < 1,37) = 0,4147
23
Jadi probabilitas lkau hdala = 0,5 + 0,4147 = 0,9147
Jadi harapan buah laku 250 kg hdala 91,47%



























24
CHAPTER 6
Pertemuan 7
DISTRIBUSI PROBABILITAS DISKRET

Untuk mempermudah mengetahui probabilitas banyak kejadian atau percobaan
dapat dilakukan dengan bantuan distribusi probabilitas. Dimana distribusi probabilitas
memberikan keseluruhan kemungkinan nilai yang mungkin muncul atau terjadi dari
sebuah kejadian atau percobaan.

A. Pengertian Distribusi Probabilitas
Distribusi probabilitas menunjukan hasil yang diharapkan terjadi dari suatu
kegiatan dengan nilai probabilitas masing-masing hasil tersebut.
Distribusi probabilitas adalah sebuah daftar dari keseluruhan hasil suatu
percobaan kejadian yang disertai dengan nilai probabilitas masing-masing hasil
(event).

Contoh:
Ada tiga orang mahasiswa yang akan memilih mata kuliah pada semester genap tahun
2007/2008. Mata kuliah tersebut adalah Stasistika (STK) dan matematika (MTK). Ketiga
mahasiswa tersebut bebas memilih mata kuliah mana yang akan diikuti, bisa memilih
STK semua, STK dan MTK atau MTK semua. Berikut adalah kemungkinan dari ketiga
pilihan mahasiswa tersebut
Kemungkinan
pilihan
mahasiswa Jumlah
pilihan STK A B C
1 STK STK STK 3
2 STK STK MTK 2
3 STK MTK STK 2
4 STK MTK MTK 1
5 MTK STK STK 2
6 MTK STK MTK 1
7 MTK MTK STK 1
8 MTK MTK MTK 0

dari tabel dapat dilihat kemungkinan mahasiswa tidak memilih STK sama sekali ada
satu kejadian, mahasiswa hanya satu yang memilih STK ada3 kejadian, mahasiswa ada
25
2 orang yang memilih STK ada 3 kejadian. Mahasiswa ada 3 orang yang memilih STK
ada 1 kejadian. Dari ke 8 kejadian tersebut kita dapat menyusun distribusi probabilitas
sebagai berikut:
Jumlah STK di
pilih mahasiswa
Jumlah
frekuensi
Total
kemungkinan
Distribusi probabilitas
Hasil P(r)
0 1 8 1/8 0,125
1 3 8 3/8 0,375
2 3 8 3/8 0,375
3 1 8 1/8 0,125
Jumlah Atoatal Distribusi Probabilitas 1,000

Dari tabel distribusi probabilitas kita dapat dengan mudah menentukan berapa
probabilitas ketiga mahasiswa akan memilih mata kuliah Statistik yaitu 0,125.
Dalam bentuk grafik poligon dapat digambarkan sebagai berikut:

0,125
0,375 0,375
0,125
0
0,1
0,2
0,3
0,4
0 1 2 3
Jumlah Pilihan
Grafik Distribusi Probabilitas Pilihan Mahasiswa


B. Variabel Acak/Random
a. Variabel Acak
Variabel acak didefenisikan sebagai sebuah ukuran atau besaran yang merupakan
hasil suatu percobaan atau kejadian yang terjadi secara acak atau untung-untungan
dan mempunyai nilai yang berbeda-beda
Contoh:
Petani menimbang berat setiap semangka yang telah dipanen. Dari lima semangka
beratnya berturut-turut 3.56; 3.80; 2.79; 3.60 dan 4.05 kg. Maka penimbangan
berat adalah percobaan acak dan nilai berat setiap semangka adalah variabel acak.
b. variabel acak diskret
26
variabel acak diskret merupakan hasil dari percobaan yang bersifat acak dan
mempunyai nilai tertentu yang terpisah dalam suatu interval. Variabel acak diskret ini
biasanya berupa bilang bulat dan berasal dari hasil perhitungan.
Contoh: jumlah mahasiswa 800 orang, jumlah buah jeruk 20 buah, jumlah telur 300
butir dan sebagainya
c. variabel acak kontinu
variabel acak kontinu mempunyai nilai yang menempati pada seluruh interval hasil
percobaan, biasanya dihasilkan dari hasil pengukuran dan bukan penjumlahan.
Semua nilai yang dihasilkan dari kegiatan pengukuran baik bulat maupun pecahan
merupakan variabel acak kontinu.
Contoh: pada buah semangka jumlah buah semangka 10 buah adalah variabel acah
diskret, tapi berat semangka misalnya 3,56 kg ini merupakan variabel acak kontinu

C. Rata-rata hitung, Varians, dan Standar deviasi
a. Nilai Rata-rata Hitung
Nilai rata-rata hitung merupakan nilai harapan (expected value) yang
dilambangkan E(x)
Rumus nilai rata-rata hitung:
= E(x) = (X). P(X)
dimana:
: Nilai rata-rata hitung distribusi pobabilitas
E(x) : Nilai harapan (expected value)
X : Kejadian
P(X) : Probabilitas suatu kejadian
: Lambang operasi penjumlahan
b. Varians dan Standar deviasi
Varian dan standar deviasi merupakan ukuran penyebaran yaitu mengukur
seberapa besar data menyebar dari nilai tengahnya. Semakin kecil sebaran data, maka
semakin baik, karena menunjukkan data mengelompok pada nilai rata-rata hitung.
Varian dan standar deviasi dirumuskan sebagai berikut

27
( ) ( )
2
iasi StandarDev
X P .
2
X
2
Varians
= =
(

= =


Dimana:
o
2
: Varians
o : Standar deviasi
X : Nilai suatu kejadian
: Nilai rata-rata hitung distribusi probabilitas
P(X) : Probabilitas suatu kejadian X
: Lambang operasi penjumlahan

Contoh:
Hitunglah nilai rata-rata hitung, Standar deviasi dan Varian pada kasus pilihan tiga
mahasiswa pada mata kuliah Statistika pada contoh terdahulu?

Penyelesaian:
X P(X) X.P(X) X - (X - )
2
(X - )
2
P(X)
0 0,125 0,000 - 1,500 2,250 0,281
1 0,375 0,375 - 0,500 0,250 0,094
2 0,375 0,750 0,500 0,250 0,094
3 0,125 0,375 1,500 2,250 0,281
1,500 o
2
0,750
Dari data diatas dapat dilihat bahwa:
- Rata-rata hitung adalah sebesar 1,500 menunjukan bahwa ada 1,5 mahasiswa yang
mengambil mata kuliah Statistika. Namun karena orang tidak dalam bentuk pecahan,
maka bisa didekatkan pada 1 atau 2 orang.
- Varians = o
2
= 0,75, maka standar deviasi = o = \o
2
= \ 0.75 = 0,87. Ini menunjukan
bahwa standar penyimpangan data dari nilai tengahnya adalah 0,87.


D. Distribusi Probabilitas Binomial
Ini menggambarkan data yang dihasilkan oleh suatu percobaan yang dinamakan
Bernoulli.
28

Ciri-ciri Percobaan Bernouli:

Setiap percobaan menghasilkan dua kejadian:
(a) kelahiran anak: laki-laki-perempuan;
(b) transaksi saham: jual- beli,
(c) perkembangan suku bunga: naikturun dan lain-lain.

Probabilitas suatu kejadian untuk suskes atau gagal adalah tetap untuk setiap
kejadian. P(p), peluang sukses, P(q) peluang gagal, dan P(p) + P(q)= 1.

Suatu percobaan dengan percobaan bersifat bebas.

Data yang dihasilkan adalah data perhitungan.


Pembentukan Distribus Binomial
Hal yang diperlukan dalam membentuk distribus binomial:
a. banyaknya atau jumlah dari percobaan atau kegiatan
b. Probabilitas suatu kejadian baik sukses maupun gagal

Dapat dinyatakan sebagai berikut:

( )
( )
r n
q .
r
p
! r n r!
n!
r P

=


Dimana:
P (r) : Nilai probabilitas binomial
P : Probabilitas sukses suatu kejadian dalam setiap percobaan
r : Banyaknya peristiwa sukses suatu kejadian untuk keseluruhan percobaan
n : Jumlah total percobaan
q : Probabilitas gagal suatu kejadian yang diperoleh dari q = 1 p
29
! : Lambang faktorial

Contoh:
PT Sari Buah Lestari mengirim buah-buah segar setiap harinya kepada sebuah swalaya
terkenal di kota Medan. Dengan jaminan kualitas buah yang segar, 80% buah yang
dikirim lolos seleksi oleh swalayan tersebut. PT Sari Buah Lestari mengirim 10 buah
Melon setiap harinya
Permintaan:
a. Berapa probabilitas 10 buah diterima
b. Berapa probabilitas 8 buah diterima
c. Berapa probabilitas 7 buah diterima

Penyelesaian:
a. probabilitas 100 buah diterima semua
n = 10 p = 0,8
r = 10 q = 0,2
( )
( )
( )
( )
( )
( )
( )
( ) 0,021475
0,2 . 0,107374 . 1
1
2 , 8 ,
0
0 0
2 , 8 ,
0 0
=
=
=

=
r P
r P
0 . 0
! 10!
10!
r P
1 1
0 . 0
! 1 1 10!
10!
r P
r n
q .
r
p
! r n r!
n!
r P
10
10



Distribusi probabilitas Hipergeometrik
Dalam distribusi binomial diasumsikan bahwa peluang suatu kejadian tetap atau
konstan atau antar-kejadian saling lepas.

Dalam dunia nyata, jarang terjadi hal demikian. Suatu kejadian sering terjadi
tanpa pemulihan dan nilai setiap kejadian adalah berbeda atau tidak konstan.

30
Distribusi dengan tanpa pemulihan dan probabilitas berbeda adalah Distribusi
Hipergeometrik.
Pada kasus dimana terjadi percobaan tanpa pengembalian pada populasi yang
terbatas, dan jumlah sampel terhadap polpulasinya lebih 5%, distribusi hipergeometrik
lebih tepat digunakan. Distribusi hipergeometrik dinyatakan sebagai berikut:

( )
( ) ( )
n
C
N
r n
C
s N r
C
s
r P

=

Dimana:
P (r) : Nilai probabilitas hipergeometrik dengan kejadian r sukses
N : Jumlah populasi
s : Jumlah suskses dalam populasi
r : Jumlah suskses yang menjadi perhatian
n : Jumlah sampel dari populasi
C : Simbol kombinasi


Distribusi Probabilitas Poisson
Dikembangkan oleh Simon Poisson

Poisson memperhatikan bahwa distribusi binomial sangat bermanfaat dan dapat
menjelaskan dengan baik, namun untuk n di atas 50 dan nilai P(p) sangat kecil
akan sulit mendapatkan nilai binomialnya.

Rumus:

( )
!

e
x

P

=


dimana
P(X) : Nilai probabilitas distribusi poisson
31
: Rata-rata hitung dari jumlah nilai sukses; dimana = n.p
e : Bilangan konstsan = 2,71828
X : Jumlah nilai sukses
P : probabilitas sukses suatu kejadian
! : Lambang faktorial












































32
CHAPTER 7
Pertemuan 9
TEORI KEPUTUSAN

Setiap hari kita harus mengambil keputusan, baik keputusan yang sederhana
maupun keputusan jangka panjang.
Untuk membantu dalam pengambilan keputusan, ilmu statistika telah mengembangkan
cabang statistika baru yaitu teori keputusan statistika. Ilmu ini berkembang sejak tahun
1950-an yang sebenarnya telah dipelopori sejak abad ke-18 oleh pendeta Thomas
Bayes.

Contoh:
Keputusan yang diambil suatu perusahaan:
Barang dan jasa apa yang akan diproduksi,
Metode apa yang dipakai untuk memproduksi,
Untuk siapa barang dan jasa di produksi,
Bagaimana strategi pemasaran dan promosinya,
Apakah perusahaan membutuhkan tenaga pemasaran,
dan lain-lain.

1. Elemen-elemen Keputusan
Kepastian (certainty): informasi untuk pengambilan keputusan tersedia dan valid.

Risiko (risk): informasi untuk pengambilan keputusan tidak sempurna, dan ada
probabilitas atas suatu kejadian.

Ketidakpastian (uncertainty): suatu keputusan dengan kondisi informasi tidak
sempurna dan probabilitas suatu kejadian tidak ada.

Konflik (conflict): keputusan di mana terdapat lebih dari dua kepentingan.

Setiap keputusan dalam atatistika mempunyai tiga elemen atau komponen penting
1. Pilihan atau alternatif yang terjadi bagi setiap keputusan.
2. States of nature yaitu peristiwa atau kejadian yang tidak dapat dihindari atau
dikendalikan oleh pengambil keputusan.
3. Hasil atau payoff dari setiap keputusan.


Hubungan elemen keputusan menurut Lind (2002)

33




2. Keputusan dalam Keadaan Beresiko
Pengambilan keputusan dalam keadaan berisiko berarti bahwa terdapat informasi
Namur tidak sempurna, dan ada probabilitas terhadap statu kejadian. Ada beberapa
langkah yang diperlukan dalam pengambilan keputusan berisiko yaitu:
1. Mengidentifikasi berbagai macam alternatif yang ada dan layak bagi suatu
keputusan.
2. Menduga probabilitas terhadap setiap alternatif yang ada.
3. Menyusun hasil/payoff untuk semua alternatif yang ada
4. Mengambil keputusan berdasarkan hasil yang baik



Contoh:
H. Ibrahim merupakan petani modern, dan menginvestasi sebagain keuntungan untuk
membeli saham. Pada tahun 2007 ia berinvestasi sebesar Rp. 10.000.000,-. Ada tiga
saham perusahaan yang sedang dipelajari yaitu saham LPBN, saham Mega dan Saham
BBCA. Berikut hasil atau payoff dari ketiga saham tersebut:
Kode
Peru
sa
haan
Harga
saham
Juml
ah
saha
m
Kondisi baik Kondisi Buruk
Devid
en/
lbr
Total
deviden
Devid
en/
lbr
Total
deviden
LPB
N
9.000 1.111 400 444.44
4
250 277.77
8
MEG
A
18.500 541 2.000 1.081.0
81
300 162.16
2
BBC
A
30.000 333 4.463 1.487.6
67
185 61.667


Beberapa metode dalam statistika yang digunakan untuk pengambilan keputusan dalam
keadaan berisiko:
A. Nilai yang diharapkan (Expected Value)


Peristiwa
Tindakan
Hasil/
Payoff
Ketidakpastian berkenaan dengan kondisi
mendatang. Pengambil keputusan tidak
mempunyai kendali terhadap kondisi mendatang.
Dua atau lebih alternatif dihadapi pengambil
keputusan. Pengambil keputusan harus
mengevaluasi alternatif dan memilih alternatif
dengan kriteria tertentu.
Laba, impas (break even), rugi

EV = Payoff x Probabilitas Suatu Kejadian
34


SAHAM BAIK P=
0,5
BURUK
P = 0,5
Perhitungan EV Nilai EV
LPBN 444.444 277.778 (444.444 x 0,5) +
(277.778 x 0,5)
361.111
MEGA 1.081.081 162.162
BBCA 1.487.667 61.667

Nilai EV yang terbesar merupakan keputusan yang terbaik. Dari EV tersebut, maka
keputusan investasi H. Ibrahim adalah membeli saham BBCA


B. Expected Opportunity Loss
Metode lain dalam mengambil keputusan selain EV
EOL mempunyai prinsip meminimumkan kerugian karena pemilihan bukan
keputusan terbaik.
Hasil yang terbaik dari setiap kejadian diberikan nilai 0, sedangkan untuk hasil
yang lain adalah selisih antara nilai terbaik dengan nilai hasil pada peristiwa
tersebut.




SAHAM OL BAIK
P= 0,5
OL
BURUK
P = 0,5
Perhitungan EV Nilai EV
LPBN 1.043.223 0 (1.043.223 x 0,5) +
(0 x 0,5)
521.612
MEGA 406.586 115.616
BBCA 0 216.111

Nilai OL untuk alternatif terbaik adalah nol, maka kondisi baik adalah BBCA = 0 dan
kondisi terburuk LPBN = 0. nilai OL terendah adalah untuk BBCA maka dapat
direkomendasikan untuk dibeli oleh investor.

C. Ecpected value of Perfect Information
Hasil yang diharapkan dalam informasi sempurna merupakan perbedaan antara hasil
maksimum dalam kondisi kepastian dan hasil maksimum dalam kondisi ketidak pastian
Setiap keputusan tidak harus tetap setiap saat. Keputusan dapat berubah untuk
mengambil kesempatan yang terbaik.
Pada kasus harga saham, pada kondisi baik, saham BBCA adalah pilihan
terbaik, namun pada kondisi buruk, maka saham MEGA lebih baik.
Apabila hanya membeli saham BBCA maka
EV = 1.487.667 x 0,5 + 61.667 x 0,5 = 774.667
Apabila keputusan berubah dengan adanya informasi yang sempurna dengan
membeli harga saham BBCA dan MEGA
EVif = 1.487.667 x 0,5 + 277.778 x 0,5 = 822.723
EOL = Opportunity Loss x Probabilitas Suatu Peristiwa

35
Nilai EVif lebih tinggi dari EV dengan selisih:
= 822.723 -774.667 = 108.056.
Nilai ini mencerminkan harga dari sebuah informasi.
Nilai informasi ini menunjukkan bahwa informasi yang tepat itu berharga -- dan
menjadi peluang pekerjaan -- seperti pialang, analis pasar modal, dan lain-lain.

D. Pengambilan Keputusan dalam Kondisi Ketidakpastian
Keputusan dalam ketidakpastian menunjukkan tidak adanya informasi yang sempurna,
juga tidak adanya probabilitas atau informasi tentang probabilitas suatu kejadian. Ada
beberapa kriteria yang telah dikembangkan dalam pengambilan keputusan untuk
kondisi ketidakpastian:
1. Kriteria Laplace
Probabilitas semua kejadian diasumsikan sama, dan hasil perkalian antara hasil
dengan probabilitas yang tertinggi tertinggi adalah keputusan terbaik.
2. Kriteria Maximin
Keputusan didasarkan pada kondisi pesimis atau mencari Nilai maksimum pada
kondisi pesimis (lakukan yang terbaik dalam situasi terburuk)
3. Kriteria Maximax
Keputusan didasarkan pada kondisi optimis dan mencari nilai maksimumnya.
4. Kriteria Hurwicz
Keputusan didasarkan pada perkalian hasil dan koefisien optimisme. Koefisien ini
nilainya antara 0 sampai 1. nilai 0 untuk kondisi yang sangat pesimis dan nilai 1 untuk
kondisi yang sangat optimis. Koefisien ini merupakan perpaduan antara optimis dan
pesimis. Alternatif yang terbaik adalah nilai yang tertinggi dari hasil perkalian antara
hasil atau payoff dengan koefisien optimisme.
5. Kriteria (Minimax) Regret
Keputusan didasarkan pada nilai regret minimum. Nilai regret diperoleh dari nilai OL
(opportunity Loss) pada setiap kondisi dan dipilih yang maksimum. Alternatif
keputusan yang diambil adalah nilai regret yang minimum.

Contoh
Berikut adalah deviden yang dibagikan oleh tiga perusahaan yang ada di BEJ yaitu
LPBN, MEGA dan BBCA. Deviden dibedakan dalam krisis, normal dan Boom.

Perusahaan
Kondisi Perekonomian
Boom Normal Krisis
LPBN 1.180 488 250
MEGA 2.000 1.356 300
BBCA 4.463 1.666 185

a. Kriteria Laplace

1. EV (LPBN) = 1/3 X 1.180 + 1/3 X 488 + 1/3 X 250 = 639
2. EV (MEGA) = 1/3 X 2.000 + 1/3 X 1.356 + 1/3 X 300 = 1.219
3. EV (BBCA) = 1/3 X 4.463 + 1/3 x 1.666 + 1/3 x 185 = 2.015

Berdasarkan kriteria Laplace, keputusan terbaik adalah membeli saham BBCA.

36
b. Kriteria Maximim
Berdasarkan kriteria Maximin, alternatif yang memberikan nilai maksimum pada
kondisi terburuk adalah MEGA. Maka keputusan terbaik adalah membeli saham
MEGA.

c. Kriteria maximax
Berdasarkan kriteria Maximax, alternatif yang memberikan nilai maksimum pada
kondisi terbaik adalah BBCA. Maka keputusan terbaik adalah membeli saham BBCA.

d. Kriteria Hurwicz
Menggunakan koefisien optimisme (a) dan koefisien pesimisme (1- a).

Koefisien ini anda dapat diperoleh melalui hasil penelitian atau pendekatan relatif
dari data tertentu.

Contoh:
Koefisien optimisme didasarkan pada probabilitas terjadinya kondisi boom dibandingkan
dengan kondisi krisis. Berdasarkan data diperoleh koefisien optimisme sebesar 0,63
sehingga koefisien pesimisme adalah 1 0,63 = 0,37.



Berdasarkan nilai EV, maka keputusan yang terbaik adalah membeli saham BBCA yaitu
yang memiliki nilai EV tertinggi.

e. Kriteria minimax regret
Langkah pertama adalah mencari nilai OL.
Langkah kedua adalah memilih nilai maksimum dari nilai OL setiap keadaan.
Nilai OL yang minimum adalah keputusan yang terbaik.

Perusahaan

Kondisi Perekonomian
Boom Normal Krisis
LPBN 3.283 1.178 50
MEGA 2.463 310 0
BBCA 0 0 115



Perusahaan
Nilai Regret
Maksimum
LPBN 3.283
MEGA 2.463
Emiten

Boom

Krisis

Perhitungan

EV

LPBN

1.180

250

(1.180x0.63) + (250x0.37)

836

MEGA

2.000

300

(2.000x0.63) + (300x0.37)

1.371

BBCA

4.463

185

(4.463x0.63) + (185x0.37)

2.880

37
BBCA 115

Berdasarkan kriteria minimax regret, keputusan yang terbaik adalah membeli saham
BBCA yaitu yang memiliki nilai regret terendah.

E. Analisis Pohon Keputusan

Pohon keputusan berguna untuk menyusun bebrapa alternatif dengan hasil bersyarat
(conditional payoff), keputusan yang terbaik adalah dengan nilai EV yang tertinggi.
























2.880
836
(1)
1.371
(2)
2.880
(3)
1.180
250
2.000
300
4.463
185
Probabilitas Ekonomi
Boom (0,63)
Probabilitas Ekonomi
Krisis (0,37)
Probabilitas Ekonomi
Boom (0,63)
Probabilitas Ekonomi
Krisis (0,37)
Probabilitas Ekonomi
Boom (0,63)
Probabilitas Ekonomi
Krisis (0,37)
Membeli Saham MEGA
Membeli Saham LPBN
Membeli Saham BBCA
Keputusan EV Probabilitas payoff
38
CHAPTER 8
Pertemuan 10
METODE DAN DISTRIBUSI SAMPLING

Populasi dan sampel merupakan aspek penting dalam mempelajari statistika
induktif.
Populasi adalah kumpulan dari semua kemungkinan orang-orang, benda-benda
dan ukuran lain yang menjadi objek perhatian atau kumpulan seluruh objek yang
menjadi perhatian.
Sampel adalah suatu bagian dari populasi tertentu yang menjadi perhatian.

Hubungan populasi dan sample dapat digambarkan sebagai berikut:















Populasi dapat dikelompokkan menjadi dua, yaitu:
a. Populasi terbatas (finite) yaitu populasi yang ukurannya terbatas berukuran N.
contoh: semua bank yang ada misalnya 138 Bank.
b. Polpulasi tidak terbatas (infinite) yaitu populasi yang mengalami proses secara
terus menerus sehinga usuran N menjadi tidak terbatas perubahan nilainya.
Contohnya Pelanggan jamu Sidomuncul.

Sampel dapat dibedakan menjadi dua yaitu:
Sampel probabilitas
Merupakan suatu sampel yang dipilih sedemikian rupa dari populasi sehingga
masing-masing anggota populasi memiliki probabilitas atau peluang yang sama
untuk dijadikan sampel.
Sampel nonprobabilitas
Merupakan suatu sampel yang dipilih sedemikian rupa dari populasi sehingga
setiap anggota tidak memiliki probabilitas atau peluang yang sama untuk
dijadikan sampel.

Populasi Sampel
39
A. Metode penarikan sample


1. Penarikan Sampel Acak Sederhana
Merupakan pengambilan sampel dari populasi secara acak tanpa memperhatikan
strata yang ada dalam populasi dan setiap anggota populasi memiliki kesempatan
yang sama untuk dijadikan sampel.
Ada dua cara pengambilan sampel acak sederhana:
1. Sistem Kocokan
Sistem sampel acak sederhana dengan cara sama
sistem arisan.
2. Menggunakan tabel acak
Memilih sampel dengan menggunakan suatu tabel.
Dalam penggunaannya ditentukan terlebih dahulu
titik awal (starting point).

2. Penarikan sampel acak terstruktur:
Penarikan sampel acak terstruktur dilakukan dengan membagi anggota populasi
dalam beberapa sub kelompok yang disebut strata, lalu suatu sampel dipilih dari
masing-masing stratum.


Contoh menentukan jumlah stratum setiap kelompok

Metode Penarikan Sampel
Sampel Probabilitas
(Probability Sampling)
Sampel Nonprobabilitas
(Nonprobability Sampling)
1.Penarikan sampel acak sederhana (simple
random sampling)
2. Penarikan sampel acak terstruktur
(stratified random sampling)
3. Penarikan sampel cluster (cluster sampling)
1.Penarikan sampel sistematis (systematic
sampling)
2. Penarikan sampel kuota (kuota sampling)
3. Penarikan sampel purposive (purposive
sampling)
Populasi tidak berstrata
Populasi terstrata
Jumlah Persentase Jumlah sampel
anggota dari total per stratum
1 Bulat 1 4 0 (0,04 x 10)
2 Kotak 3 13 1 (0,13 x 10)
Kelompok Stratum
40








Dari table diatas terlihat bahwa jumlah sample setiap stratumnya didasarkan pada
jumlah proporsi persentsae setiap stratum terhadap jumlah totalnya.


3. Penarikan sample Cluster (cluster sampling)
Penarikan cluster adalah teknik memilih sampel dari kelompok unit-unit kecil (cluster)
dari sebuah populasi yang relatif besar dan tersebar luas. Anggota dalam setiap
cluster bersifat tidak homogen berbeda dengan penarikan sampel terstruktur.




Pemilihan sampel pada metode ini adalah dengan metode acak sederhana, dengan
harapan akan mengurangi biaya penarikan sampel populasi yang tersebar pada area
geografis yang terlalu besar.


4. Penarikan sampel secara sistematis (systematic Random Sampling)
Penarikan dikatakan sampel sistematis apabila setiap unsur atau anggota dalam
populasi disusun dengan cara tertentu-Secara alfabetis, dari besar kecil atau
sebaliknya-kemudian dipilih titik awal secara acak lalu setiap anggota ke K dari
populasi dipilih sebagai sampel.
Sampel Terstruktur Sampel Terstruktur Sampel Cluster
41
Sebagai contoh apabila akan dipilih 5 perusahaan reksadana, maka perusahaan
mana yang akan menjadi sampel dengan menggunakan metode sistematis, beberapa
langkah yang harus dilakukan adalah:
a. memberikan nomor urutan misalnya dari aset terbesar sampai terkecil atau
sebaliknya
b. jumlah populasi misalnya 59, dan jumlah sampel 5, maka jarak antara sampel
adalah 12
c. nomor sampel adalah 1, 13, 25, 37, dan 49 (setiap sampel berjarak secara
sistematis yaitu 12)

5. penarikan sampel Kuota (Kuota sampling)
Penarikan sampel kuota adalah pengambilan sampel dari populasi yang mempunyai
ciri-ciri tertentu sampai jumlah atau kuota yang diinginkan. Tujuan penarikan sampel
kuota adalah untuk memperbaiki keterwakilan seluruh komponen dalam populasi.
Sebagai contoh apabila akan dilakukan penelitian terhadap tingkat kehadiran
mahasiswa yang mengambil matakuliah statistika dari populasi 150 orang ditentukan
kuota 20 orang. Kalau pengumpulan data belum mencapai 20 orang maka penelitian
belum dianggap selesai.
6. penarikan sampel purposive (purposive sampling)

Penarikan sampel purposive adalah penarikan sampel dengan pertimbangan tertentu.
Pertimbangan tersebut berdasarkan pada kepentingan atau tujuan penelitian.
Penarikan sampel dengan purposive ada dua cara:
a. convenience sampling yaitu penarikan sampel berdasarkan keinginan peneliti
sesuai dengan tujuan penelitian.
b. Judment sampling yaitu penarikan sampel berdasarkan penilaian terhadap
karakteristik anggota sampel yang disesuaikan dengan tujuan penelitian.

B. Kesalahan penarikan sampel (sampling error)
Merupakan perbedaan antara nilai statistik sampel dengan nilai parameter dari populasi.
Dalam pemilihan sampel, dimana jumlah sampel adalah sebagian dari populasi,
mungkin akan terdapat perbedaan antara rata-rata hitung dan standar deviasi sampel
terhadap rata-rata hitung dan standar deviasi populasi. Perbedaan nilai statistik ini yang
dikenal dengan kesalahan penarikan sampel (sampling error).
Dengan menggunakan sampel bisa ditemukan kesalahan penarikan sampel pada saat
hasil sampel tersebut digunakan untuk menduga parameter suatu populasi. Untuk
menentukan tingkat keyakinan akan hasil menggunakan sampel untuk menduga
parameter dapat dipahami dengan mentusun distribusi sampel (sampling distribution)
dan rata-rata hitung sampel (sampel means).


C. Distribusi Sampel rata-rata dan proporsi
42
Distribusi sampel dari rata-rata hitung sampel dan populasi adalah suatu distribusi
probabilitas yang terdiri dari seluruh kemungkinan rata-rata hitung sampel dari suatu
ukuran sampel tertentu yang dipilih dari populasi, dan probabilitas terjadinya
dihubungkan dengan setiap rata-rata hitung sampel.
a. Distribusi sampel rata-rata dan porposi menpunyai nilai hitung rat-rata:
x
C
1
N
n
= X p
C
1
N
n
p = X

b. Distribusi sampel rata-rata dan porposi mempunyai standar deviasi
( )
2
x
N
n
x
X
C
1
S =
( )
N
n
2
p
p
C
p
S

=

c. Hubungan antara standar deviasi sampel x dan porposi pada kondisi sampel
terbatas
( )
1 N
n N
n
S
x

o
=
( ) ( )
1 N
n N
x
n
P 1 P
Sp

=

d. Hubungan standar deviasi sampel x dan porposi pada kondisi sampel tidak
terbatas
n
S
x
o
=
( )
n
P 1 P
Sp

=

d. Distribusi sampel rata-rata dan porposi merupakan distribusi normal, sehingga
dapat diketahui nilai Znya yaitu

s
x
Z

=
( )
p
s
P p
Z

=


D. Distribusi Sampel Selisih rata-rata dan proporsi
Distribusi sampel selisih apabila terdapat dua atau lebih populasi yang diambil sebagai
sampel
a. Distribusi sampel selisih rata-rata
1. Nilai rata-rata
2 1 2 1 2 x 1 x
x x X = =

2. Nilai standar deviasi
2 n
S
n
S
S S S
2
2 x
1
2
1 x 2
2 x
2
1 x 2 x 1 x
+ = + =

3. Nilai Z
( ) ( )
2 x 1 x
2 1 2 1
S
x x
Z

=

43
b. Distribusi sampel selisih proporsi

1. Nilai rata-rata
2 1 2 1 2 p 1 p
P P P P P = =

2. Nilai standar deviasi
( ) ( )
2
2 2
1
1 1 2
2 p
2
1 p 2 p 1 p
n
P 1 P
n
P 1 P
S S S

+

= + =

3. Nilai Z
( ) ( )
2 p 1 p
2 1 2 1
S
P P p p
Z

=
.
E. Faktor Koreksi untuk populasi terbatas
Faktor koreksi adalah usaha untuk memperbaiki hasil dugaan parameter dan diterapkan
jika rasio n/N lebih besar dari 0,05. faktor koreksi terhadap standar deviasi dirumuskan
sebagai berikut

1 N
n N
n
S
x

o
=

sedang untuk standar deviasi proporsi

1 N
n N
n
) p 1 ( p
S
p

=





















44
CHAPTER 9
Pertemuan 11
HIPOTESA

A. Hipotesa
Hipotesa adalah suatu pernyataan mengenai nilai suatu parameter populasi yang
dimaksudkan untuk pengujian dan berguna untuk pengambilan keputusan.
Hipotesa sebenarnya disusun berdasarkan data, akan tetapi karena data tersebut
dihasilkan dari sample yang mempunyai probabilitas, sehingga hasilnya bisa saja benar
dan mungkin saja salah. Oleh sebab itu sebuah hipotesa sebelum menjadi keputusan
haruslah diuji terlebih dahulu dengan menggunakan data observasi.
Menurut Nasir (1988) hipotesa yang baik mempunyai cirri-ciri:
a. menyatakan hubungan
b. sesuai dengan fakta
c. sederhana dan dapat diuji
d. dapat menerangkan fakta dengan baik


B. Pengujian Hipotesa
Pengujian hipotesa adalah prosedur yang didasarkan pada bukti sampel yang dipakai
untuk menentukan apakah hipotesa merupakan suatu pernyataan yang wajar dan oleh
karenanya tidak ditolak, atau hipotesa tersebut tidak wajar dan oleh karena itu harus
ditolak.

C. Prosedur Pengujian Hipotesa




Langkah 1. Merumuskan Hipotesa
(Hipotesa nol (H
0
) dan Hipotesa Alternatif (H
1
))
Langkah 2. Menentukan Taraf Nyata
(Probabilitas menolak hipotesa)
Langkah 3. Menentukan Uji statistik
(Alat uji statistik, uji Z, t, F, X
2
dan lain-lain)
Langkah 4. Menentukan Daerah Keputusan
(Daerah di mana hipotesa nol diterima atau ditolak))
Langkah 5. Mengambil Keputusan
Menolak H
0
Menerima

H
1
Menolak H
0

45
Langkah 1 Merumuskan Hipotesa
Perumusan hipotesa dikembangkan oleh Fisher yang dikenal sebagai Bapak Ststistik,
yang membedakan hipotesa menjadi nol dan hipotesa alternative.

Hipotesa nol (H
o
)
Satu pernyataan mengenai nilai parameter populasi

Hipotesa alternative (H
1
)
Suatu pernyataan yang diterima jika data sampel memberikan cukup bukti bahwa
hipotesa nol adalah salah

Contoh:
1. Rata-rata hasil investasi reksadana sama dengan 13,17%, maka
H
o
: = 13,17%
H
1
: = 13,17%

2. rata-rata IPK mahasiswa diatas 3
H
o
: IPK > 3
H
1
: IPK < 3

Langkah 2. menentukan taraf nyata
Taraf nyata adalah Probabilitas menolak hipotesa nol apabila hipotesa nol tersebut
adalah benar.
Taraf nyata adalah nilai kritis yang digunakan sebagai dasar untuk menerima atau
menolak hipotesa nol. Taraf nyata dilambangkan dengan , dimana = 1 C. C
adalah tingakat keyakinan, apabila C = 0,95 maka taraf nyata 0,05. semakain tinggi
tingkat keyakinan maka semakin kecil taraf nyata. Kebiasaan yang sering digunakan
untuk pertanian dan ekonomi adalah taraf nyata 5% atau tingkat keyakinan 95%.

Langkah 3. menentukan Uji Statistik
Suatu nilai yang diperoleh dari sampel dan digunakan untuk memutuskan apakah
akan menerima atau menolak hipotesa.
Pada bagain ini akan dibahas uji Z, yang diperoleh dari rumus berikut:

=
n / S sampel error dar tan s S
populasi hitung rata Rata
sampel hitung rata Rata X
Z Nilai
: ana dim
x x
o = =
=
=
= Z


Langkah 4. Menentukan daerah Keputusan
46


Pengujian satu arah
Adalah daerah penolakan Ho hanya satu yaitu terletak di ekor sebelah kanan saja
atau ekor sebelah kiri saja. Karena hanya satu daerah penolakan berarti luas daerah
penolakan tersebut sebesar taraf nyata yaitu a, dan untuk nilai kritisnya biasa ditulis
dengan Za.

Sedangkan pengujian dua arah
Adalah daerah penolakan Ho ada dua daerah yaitu terletak di ekor sebelah kanan
dan kiri. Karena mempunyai dua daerah, maka masing-masing daerah mempunyai
luas dari taraf nyata yang dilambangkan dengan a, dan nilai kritisnya biasa
dilambangkan dengan Z a.


Langkah 5. mengambil Keputusan
Keputusan ditentukan dengan melihat nilai Z, apabila terletak pada daerah yang
menerima H
o
maka hipotesa dapat diterima atau sebaliknya apabila nilai Z tidak
terletak pada daerah yang meneriam H
o
maka hipotesa ditolak




CONTOH MENGUJI HIPOTESA RATA-RATA SAMPEL BESAR
Perusahaan reksadana menyatakan bahwa hasil investasinya rata-rata mencapai
13,17%. Untuk menguji apakah pernyataan tersebut benar, maka lembaga konsultan
CESS mengadakan penelitian pada 36 perusahaan reksadana dan didapatkan hasil
Daerah tidak
menolak Ho
Daerah penolakan
Ho
Skala z
1,65
Probabilitas 0,95 Probabilitas
0,5
Daerah Keputusan Uji Satu Arah
Daerah Keputusan Uji Dua Arah
Daerah tidak
menolak Ho
Daerah penolakan
Ho
Daerah penolakan
Ho
0,025
0,025 0,95
0 -1,95 1,95
47
bahwa rata-rata hasil investasi adalah 11,39% dan standar deviasinya 2,09%. Ujilah
apakah pernyataan perusahaan reksadana tersebut benar dengan taraf nyata 5%.















































Langkah 1
Merumuskan hipotesa. Hipotesa yang menyatakan bahwa rata-rata hasil
investasi sama dengan 13,17%. Ini merupakan hipotesa nol, dan hipotesa
alternatifnya adalah rata-rata hasil investasi tidak sama dengan 13,17%.
Hipotesa tersebut dapat dirumuskan sebagai berikut:
H
0
: m = 13,17%.
H
1
: m 13,17%.
Langkah 2
Menentukan taraf nyata. Taraf nyata sudah ditentukan sebesar 5%, apabila
tidak ada ketentuan dapat digunakan taraf nyata lain. Taraf nyata 5%
menunjukkan probabilitas menolak hipotesa yang benar 5%, sedang
probabilitas menerima hipotesa yang benar 95%.
Nilai kritis Z dapat diperoleh dengan cara mengetahui probabilitas daerah
keputusan H
0
yaitu Z
o/2
= o/2 0,5/2 = 0,025 dan nilai kritis Z dari tabel
normal adalah 1,96.
Langkah 3
Melakukan uji statistik dengan menggunakan rumus Z. Dari soal diketahui
bahwa rata-rata populasi = 13,17%, rata-rata sampel 11,39% dan standar
deviasi 2,09%. Mengingat bahwa standar deviasi populasi tidak diketahui
maka diduga dengan standar deviasi sampel, dan standar error sampel adalah
s
x
= s/\n sehingga nilai Z adalah

Langkah 4
Menentukan daerah keputusan dengan nilai kritis Z=1,96
48


























CONTOH UJI SIGNIFIKANSI MENGGUNAKAN TANDA LEBIH BESAR DAN LEBIH
KECIL (Satu Arah)

1. Ujilah beda rata-rata populasi, misalkan hipotesanya adalah rata-rata hasil investasi
lebih kecil dari 13,17%. Maka perumusan hipotesanya menjadi:
H0 : m 13,17
H1 : m > 13,17
Untuk tanda pada H0 menunjukkan daerah penerimaan H0, sedang tanda >
pada H1 menunjukkan daerah penolakan di sebelah ekor kanan seperti Gambar A.

2. Ujilah beda selisih dua rata-rata populasi, misalkan hipotesanya adalah selisih dua
rata-rata populasi lebih besar sama dengan 0.
H0 : mpa mpl 0
H1 : mpa mpl < 0
Untuk tanda pada H0 menunjukkan daerah penerimaan H0, sedang tanda < pada
H1 menunjukkan daerah penolakan di sebelah ekor kiri seperti Gambar B.







Daerah penolakan H
0
Tidak menolak
0,95
Daerah penolakan
H
0
0,025 0,025
-1,96 Z=-5,11 1,96
Langkah 5
Mengambil Keputusan. Nilai uji Z ternyata terletak pada daerah menolak H
0
.
Nilai uji Z = 5,11 terletak disebelah kiri 1,96. Oleh sebab itu dapat
disimpulkan bahwa menolak H
0
, dan menerima H
1
, sehingga pernyataan
bahwa hasil rata-rata investasi sama dengan 13,17% tidak memiliki bukti yang
cukup kuat.
49

















































Daerah penolakan H0
Daerah penolakan
H
0
Tidak menolak H
0
Tidak menolak H
0
1,65
1,65
Gambar A Gambar B
H
0
:
x
s 13,17 H
0
:
pa

pl
> 0
H
1
:
x
> 13,17 H
1
:
pa

pl
< 0
50
CHAPTER 10
Pertemuan 12
MENGUJI HIPOTESA RATA-RATA SAMPEL BESAR


CONTOH PENGUJIAN DUA ARAH
1. Ujilah nilai rata-rata sama dengan 13,17%. Maka hipotesanya dirumuskan sebagai
berikut:
H0 : m = 13,17%.
H1 : m 13,17%.

2. Ujilah nilai koefisien untuk b sama dengan 0. Maka hipotesanya dirumuskan
sebagai berikut:
H0 : b = 0
H1 : b 0.




















MENGUJI HIPOTESA RATA-RATA DAN PROPORSI SAMPLE BESAR

Ada Tiga hal yang terkait dengan pengujian hipotesa rata-rata dan porposi sample
besar yaitu:
a. Proses pengujian hipotesa, dimana pengujiannya tetap mengikuti 5 langkah
b. Yang diuji dalam hal ini adalah rata-rata populasi dan proporsi dari populasi
c. Sample besar. Sample besar adalh sample yang berjumlah 30 atau lebih.
Dengan menggunakan sample besar diharapkan akan mendekati distribusi
normal sehingga dapat digunakan nilai dan uji Z.

CONTOH MENGUJI HIPOTESA RATA-RATA SAMPEL BESAR
Perusahaan reksadana menyatakan bahwa hasil investasinya rata-rata mencapai
13,17%. Untuk menguji apakah pernyataan tersebut benar, maka lembaga konsultan
Daerah penolakan H
0
Tidak menolak H
0
Daerah penolakan H
0
0,5
0,4750
0,
1,96 0,95 -1,96
0,
51
CESS mengadakan penelitian pada 36 perusahaan reksadana dan didapatkan hasil
bahwa rata-rata hasil investasi adalah 11,39% dan standar deviasinya 2,09%. Ujilah
apakah pernyataan perusahaan reksadana tersebut benar dengan taraf nyata 5%.

Langkah 1

Merumuskan hipotesa. Hipotesa yang menyatakan bahwa rata-rata hasil investasi sama
dengan 13,17%. Ini merupakan hipotesa nol, dan hipotesa alternatifnya adalah rata-rata
hasil investasi tidak sama dengan 13,17%. Hipotesa tersebut dapat dirumuskan sebagai
berikut:
H0 : m = 13,17%.
H1 : m 13,17%.

Langkah 2
Menentukan taraf nyata. Taraf nyata sudah ditentukan sebesar 5%, apabila tidak ada
ketentuan dapat digunakan taraf nyata lain. Taraf nyata 5% menunjukkan probabilitas
menolak hipotesa yang benar 5%, sedang probabilitas menerima hipotesa yang benar
95%.
Nilai kritis Z dapat diperoleh dengan cara mengetahui probabilitas daerah keputusan H0
yaitu Za/2 = a/2 0,5/2 = 0,025 dan nilai kritis Z dari tabel normal adalah 1,96.

Langkah 3
Melakukan uji statistik dengan menggunakan rumus Z. Dari soal diketahui bahwa rata-
rata populasi = 13,17%, rata-rata sampel 11,39% dan standar deviasi 2,09%. Mengingat
bahwa standar deviasi populasi tidak diketahui maka diduga dengan standar deviasi
sampel, dan standar error sampel adalah sx = s/n sehingga nilai Z adalah

11 , 5
36 / 09 , 2
17 , 13 39 , 11
n / S
X
S
X
x
=

=

=

= Z

Langkah 4
Menentukan daerah keputusan dengan nilai kritis Z=1,96
















Daerah penolakan H
0
Tidak menolak H
0
0,95
Daerah penolakan H
0
0,025 0,025
-1,96 Z=-5,11 1,96
52




Langkah 5
Mengambil Keputusan. Nilai uji Z ternyata terletak pada daerah menolak H0. Nilai uji Z
= 5,11 terletak disebelah kiri 1,96. Oleh sebab itu dapat disimpulkan bahwa menolak
H0, dan menerima H1, sehingga pernyataan bahwa hasil rata-rata investasi sama
dengan 13,17% tidak memiliki bukti yang cukup kuat.


MENGUJI HIPOTESA PROPORSI SAMPEL BESAR
Rumus uji Z untuk proporsi adalah

n
) P 1 ( P
P p

= Z

dimana:
Z = Nilai uji Z
p = Proporsi sampel
P = Proporsi populasi
N = jumlah sampel

MENGUJI HIPOTESA SELISIH RATA-RATA SAMPEL BESAR
Distribusi sampling dari selisih rata-rata proporsi memiliki distribusi normal dan
mempunyai standar deviasi sebagai berikut:

2
2
2
1
2
1
2 X 1 X
n n
o
+
o
= o





Di mana:
o
x1-x2
: Standar deviasi selisih dua populasi
o
1
: Standar deviasi populasi 1
o
2
: Standar deviasi populasi 2
n
1
: Jumlah sampel pada populasi 1
n
2
:Jumlah sampel pada populasi 2

sedangkan untuk rumus Z adalah sebagai berikut:

( ) ( )
2 x 1 x
2 1 2 1
S
x x
Z

=

Z : Nilai uji statistik
53
x
1
-x
2
: Selisih dua rata-rata hitung sampel 1 dan sampel 2

1
-
2
: Selisih dua rata-rata hitung populasi 1 dan populasi 2
S
x1-x2
: Standar deviasi selisih dua populasi

standar deviasi selisih dua sampel adalah:

2
2
2
1
2
1
2 X 1 X
n
s
n
s
S + =

Di mana:
S
x1-x2
: Standar deviasi selisih dua populasi
s
1
: Standar deviasi populasi 1
s
2
: Standar deviasi populasi 2
n
1
: Jumlah sampel pada populasi 1
n
2
:Jumlah sampel pada populasi 2






MENGUJI HIPOTESA SELISIH PROPORSI SAMPEL BESAR

Untuk standar deviasi proporsi populasi dirumuskan sebagai berikut:
2
2 2
1
1 1
2 p 1 p
n
) p 1 ( p
n
) p 1 ( p
S

+

=

sedangkan nilai uji Z dirumuskan sebagai berikut:

( ) ( )
2 p 1 p
2 1 2 1
S
P P p p
Z

=

standar deviasi selisih dua sampel

( ) ( ) 1 2 n
) p 1 ( p
1 n
) p 1 ( p
S
1
2 p 1 p

54
CHAPTER 11
Pertemuan 1
PENGUJIAN HIPOTESA SAMPEL KECIL

Pada sampel kecil yaitu kasus dimana jumlah sampel kurang dari 30, maka nilai
standar deviasi (s) berfluktuasi relatif besar, sehingga nilai uji Z tidak bersifat normal.
Oleh karena itu, untuk sebaran distribusi sampel kecil dikembangkan suatu distribusi
khusus yang dikenal sebagai distribusi t atau t-student. Nilai distribusi t dinyatakan
sebagai berikut


n / s
X
t

=

dimana:
t = Nilai distribusi t
= nilai rata-rata populasi
x = nilai rata-rata sampel
s = standar deviasi sampel
n = jumlah sampel







CIRI-CIRI DISTRIBUSI t-STUDENT
a. Distribusi t-student seperti distribusi Z merupakan sebuah distribusi kontinu, di
mana nilainya dapat menempati semua titik pengamatan.

b. Distribusi t-student seperti distribusi Z berbentuk genta atau lonceng dan simetris
dengan nilai rata-rata sama dengan 0.

c. Distribusi t-student bukan merupakan satu kurva seperti kurva Z, tetapi keluarga
dari distribusi t. Setiap distribusi t mempunyai rata-rata hitung sama dengan nol,
tetapi dengan standar deviasi yang berbeda-beda, sesuai dengan besarnya sampel
(n). Ada distribusi t untuk sampel berukuran 2, yang berbeda dengan distribusi
untuk sampel sebanyak 15, 25 dan sebagainya. Apabila sampel semakin besar
maka distribusi t akan mendekati normal.

Tahap menguji rata-rata hitung populasi dalam sampel kecil:

(a) Merumuskan hipotesa nol dan hipotesa alternatif (H0 dan H1),
(b) Menentukan taraf nyata apakah 1%, 5% atau pada taraf lainnya serta mengetahui
titik kritis berdasarkan pada tabel t-student,
(c) Menentukan uji statistik dengan menggunakan rumus uji-t,
55
(d) menentukan daerah keputusan yaitu daerah tidak menolak H0 dan daerah
menolak H0, dan
(e) Mengambil keputusan untuk menolak dan menerima dengan membandingkan nilai
kritis taraf nyata dengan nilai uji-t.

CIRI DISTRIBUSI F
1. Distribusi F lebih mirip dengan distribusi t, yaitu mempunyai keluarga distribusi F.


Pada gambar di atas terlihat bahwa distribusi dengan derajat bebas pembilang 5 dan
penyebut 5 yang ditulis df(5,5) mempunyai distribusi F yang berbeda dengan
distribusi df(20,7) dan df(29,28).

2. Distribusi F tidak pernah mempunyai nilai negatif sebagaimana pada distribusi Z.
Distribusi Z mempunyai nilai positif di sisi kanan dan negatif sisi kiri nilai tengahnya.
Distribusi F seluruhnya adalah positif atau menjulur ke positif (positively skewed) dan
merupakan distribusi kontinu yang menempati seluruh titik di kurva distribusinya.

3. Nilai distribusi F mempunyai rentang dari tidak terhingga sampai 0. Apabila nilai F
meningkat, maka distribusi F mendekati sumbu X, namun tidak pernah menyentuh
sumbu X tersebut.

4. Distribusi F juga memerlukan syarat yaitu: (a) populasi yang diteliti mempunyai
distribusi yang normal, (b) populasi mempunyai standar deviasi yang sama, dan (c)
sampel yang ditarik dari populasi bersifat bebas serta diambil secara acak.


















df(5,5)
df(29,28)
df(20,7)
56
CHAPTER 12
Pertemuan 15
UJI CHI-KUADRAT

A. Statistika nonparametrik:

Statistik yang tidak memerlukan pembuatan asumsi tentang bentuk distribusi atau
bebas distribusi, sehingga tidak memerlukan asumsi terhadap populasi yang akan diuji

Kapan kita dapat menggunakan statistik nonparametrik?
1. Apabila ukuran sampel sedemikian kecil sehingga distribusi sampel atau populasi
tidak mendekati normal, dan tidak ada asumsi yang dapat dibuat tentang bentuk
distribusi populasi yang menjadi sumber populasi.
2. Apabila hasil pengukuran menggunakan data ordinal atau data berperingkat.
Data ordinal hanya menyatakan lebih baik, lebih buruk atau sedang atau bentuk
ukuran lainnya. Data ini sama sekali tidak menyatakan ukuran perbedaan.
3. Apabila hasil pengukuran menggunakan data nominal. Data nominal hanya
merupakan kode dan tidak mempunyai implikasi atau konsekuensi apa-apa.
Jenis kelamin diberikan kode laki-laki dan perempuan, pengkodean tersebut
tidak berimplikasi lebih rendah atau lebih tinggi, hanya sekadar kode.

B. Chi Kuadrat untuk Uji Goodness of Fit
Uji goodness of fit dikembangkan oleh Karl Pearson pada tahun 1900 dan ada yang
menyebutnya dengan uji keselarasan. Rumus yang dikembangkan oleh Pearson
adalah:

fe
) fe fo (
2
2

= _

dimana:
X
2
= nilai chi-Kuadrat
fo = Frekuensi yang diperoleh
fe = frekuensi yang diharapkan

distribusi Chi-kuadrat berbeda dengan distribusi t dan F. Distribusi t dan F mempunyai
distribusi probabilitas tunggal. Distribusi Chi-kuadrat merupakan suatu keluarga dari
kurva bermacam distribusi yang bentuknya ditentukan oleh derajat bebasnya (df),
dimana df tergantung dari jumlah sampel (n) dan jumlah variabel (k), df = n-k. Semakin
besar nilai n maka distribusi chi-kuadrat akan mendekati kurva normal. Pada gambar
dapat dilihat semakin banyak jumlah sampel maka kurva semakin mendekati normal.








57

















C. Uji Keselarasan (Goodness of Fit)
Uji keselarasan adalah untuk menguji seberapa tepatkah frekuensi yang teramati
(observed frequencies, fo) cocok atau sesuai dengan frekuensi yang diharapkan
(expected frequencies, fe). Uji keselarasan dimaksudkan apakah ada kecocokan atau
kesesuaian antara harapan dengan kenyataan.pada uji ini ada dua hal penting
a) frekuensi yang diharapkan sama, apabila setiap data pengamatan nilai frekuensi
yang diharapkan sama
b) frekuensi yang diharapkan tidak sama

D. Uji keselarasan dengan Frekuensi Harapan sama
Hasil perdagangan saham pada minggu pertama 2004 adalah sebagai berikut:
-0,05
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Nilai Chi-Kuadrat
P
r
o
b
a
b
i
l
i
t
a
s
df =3 df =5 df =10 df =38
No Perusahaan Prosentase Perubahan Harga
1 Aneka Tambang 4
2 Asahimas Flat Glass 10
3 Astra Agro Lestari 56
4 Astra Otoparts -3
5 Bank Danamon 3
6 Berlian Laju Tangker 29
7 Berlina -3
8 Bimantara 9
9 Dankos 10
10 Darya Varia 7
58
Untuk melakukan pengujian memerlukan beberapa tahapan atau langkah yaitu:

1. Menentukan hipotesa

Hipotesa yang disusun adalah hipotesa nol (H0) dan hipotesa alternatif (H1). Hipotesa
nol, H0, menyatakan bahwa tidak ada perbedaan antara nilai atau frekuensi observasi
atau teramati dengan nilai atau frekuensi harapan. Sedangkan hipotesa alternatif, H1,
menyatakan bahwa ada perbedaan antara nilai atau frekuensi teramati dengan nilai
atau frekuensi yang diharapkan. Hipotesa selanjutnya dinyatakan sebagai berikut:

H0 : fo = fe
H1 : fo = fe
2. Menentukan Taraf Nyata dan Nilai Kritis

Untuk kasus ini, nilai n adalah kategori atau sampel yaitu 10, sedang k adalah variabel,
dimana k= 1, jadi derajat bebasnya adalah df= 10 - 1= 9. Setelah menemukan nilai df
dan taraf nyata, maka dapat dicari nilai kritis chi-kuadrat dengan menggunakan tabel
chi-kuadrat sebagai berikut:



















3. Uji Statistik Chi-kuadrat

fo fe (fo fe) (fo-fe)2 (fo-fe)2/fe
4 13 -9 83.8 6.4
10 13 -3 9.8 0.8
56 13 43 1820.7 140.1
-3 13 -16 261.6 20.1
3 13 -10 106.8 8.2
29 13 16 242.5 18.7
-3 13 -16 258.5 19.9
Df
0,1 0,05 0.02 0.01
1 2.706 3.841 5.412 6.635
2 4.605 5.991 7.824 9.210
3 6.251 7.815 9.837 11.345

7 12.017 14.067 16.622 18.475

8 13.362 15.507 18.168 20.090
9 14.684 16.919 19.679 21.666
.
29 39.087 42.557 46.693 49.588
30 40.256 43.773 47.962 50.892
Taraf Nyata
d
e
r
a
j
a
t

b
e
b
b
a
s
fe
) fe 0 f (
) x (
2
2


=
59
9 13 -4 19.8 1.5
10 13 -3 10.5 0.8
7 13 -6 40.1 3.1
X2= X (fo-fe)2/fe 219.5

4. Menentukan Daerah Keputusan


5. Menentukan Keputusan

Langkah kelima adalah menentukan keputusan. Berdasarkan aturan pada langkah ke-4,
diketahui nilai chi-kuadrat hitung adalah 219,5 dan nilai chi-kuadrat kritis 16,919 berarti
nilai chi-kuadrat hitung > dari chi kuadrat kritis. Dengan demikian Ho ditolak dan H1
diterima. Jadi terdapat cukup bukti untuk menolak Ho, sehingga antara kenyataan yang
terjadi dengan harapan dari analisis adalah tidak sama.

E. Uji Chi-Kuadrat untuk uji Kenormalan

Beberapa tahapan untuk uji kenormalitasan:
1. Membuat distribusi frekuensi, sebagaimana dikemukakan dalam bab 2, buku jilid 1.
2. Menentukan nilai rata-rata hitung dan standar deviasi o dengan menggunakan
data berkelompok, sebagaimana dikemukakan pada bab 3 dan 4, buku jilid 1.
3. Menentukan nilai Z dari setiap kelas, dimana Z = (X - )/ o
4. Menentukan probabilitas setiap kelas dengan menggunakan nilai Z.
5. Menentukan nilai harapan dengan mengalikan nilai probabilitas dengan jumlah data.
6. Menentukan pengujian chi-kuadrat untuk menentukan apakah suatu distribusi
bersifat normal atau tidak.



F. Uji chi-kuadrat untuk uji Independensi
Langkah-langkah yang harus dilakukan:
1. Menyusun hipotesa. Hipotesa Ho biasanya menyatakan tidak ada hubungan antara
dua variabel, sedangkan H1 menyatakan ada hubungan antara dua variabel.
Terima Ho
Tolak Ho
X
2
kritis= 16,919 Skala X
2
X
2
hitung=219,5
60
2. Mengetahui nilai _
2
kritis dengan taraf nyata o dan derajat bebas df=(r - 1) x (c - 1)
3. Menentukan frekuensi harapan (fe) dimana fe untuk setiap sel dirumuskan


4. Menentukan nilai X
2
dengan rumus


5. Menentukan daerah kritis yaitu daerah penerimaan Ho dan penolakan Ho
6. Menentukan keputusan apakah menerima Ho atau menolak Ho.

Contoh Soal:
Ada keyakinan bahwa apabila IPK tinggi. maka akan mendapatkan penghasilan tinggi.
Berdasarkan keyakinan tersebut. Nani dari CESS tahun 2003 melakukan penelitian
terhadap 751 sarjana dari berbagai PT yang bekerja disektor perbankan di Jakarta.
Berikut adalah hasilnya:

IPK Tingkat Penghasilan (jutaan) Total
<0.8 0,8-1.5 1,5-3,5 >3.5
>3.5 22 31 31 8 92
2.75-
3.5
67 80 73 17 237
<2.75 124 161 122 15 422
213 272 226 40 751

Dari data tersebut. apakah keyakinan adanya hubungan antara IPK dengan tingkat
penghasilan dapat dibenarkan?

fo fe (fo-fe)
2
/fe
22 26 0,64
67 67 0,00
127 120 0,45
31 33 0,16
80 86 0,40
161 153 0,44
31 28 0,40
73 71 0,04
122 127 0,20
8 5 1,96
17 13 1,52
15 22 2,49
_
2
= (fo - fe)
2
/fe 8,68

1. Hipotesa. Ho: tidak ada hubungan antara acara tingkat penghasilan dengan
IPK. H
1
ada hubungan antara tingkat penghasilan dengan IPK.
2. Menentukan nilai kritis. df= (c - 1)(r - 1)= (3 - 1)(4 - 1) = 6 dengan taraf nyata 5%
adalah 12.596
al Jumlah tot
kolom menurut Jumlah x baris menurut Jumlah
Fe =
fe
) fe fo (
) X (
2
2

=
61
3. Nilai chi-kuadrat hitung = 8.68 < dari chi-kuadrat tabel 12.596, dengan demikian
Ho diterima dan H
1
ditolak. Jadi tidak ada hubungan antara tingkat penghasilan
dengan IPK